爬虫打卡2之定位工具xpath、bs4、re学习总结

xpath

XPath即为XML路径语言（XML Path Language），它是一种用来确定XML文档中某部分位置的语言。在XPath中，有七种类型的节点：元素、属性、文本、命名空间、处理指令、注释以及文档（根）节点。XML文档是被作为节点树来对待的。

XPath和CSS选择符十分相像!但XPath有更强大的地方,比如它可以定位到body元素下具体位置上的p或可以选择前N个p:
body/p[position()=4] //这个XPath表达式将选取body子元素中第4个p元素,注意这里从1开始计数
body/p[position()❤️] //将选取body子元素中前两个p元素。

xpath常用语法：
nodeName 选取名称为nodeName的节点
/ 从根节点选取
// 选择元素后代元素,必须在后面跟上nodeName
. 选取当前节点
… 选取当前节点的父节点
@ 选取属性节点(@是attribute的缩写)

谓语为xpath提供更详尽的信息,谓语被嵌在方括号中。下面是一些带有谓语的XPath表达式:
/root/child[3] {选取root元素的第三个child子元素,注意,这和数组下标不一样,从1开始计数
//child[@attr] {选取所有具有属性attr的child元素
//child[@attr=“val”]/desc {选取所有属性attr的值为val的child元素的子元素desc
//child[desc] {选取所有的有desc子元素的child
//child[position()>3] {position()是XPath中的一个函数,表示节点的位置
//child[@attr>12] {XPath表达式还可以进行数值比较,该表达式将选取attr属性值大于12的child元素
//child[last()] {last()函数返回节点列表最后的位置,该表达式将选取最后一个child元素

XPath 通配符可用来选取未知的 XML 元素。

• ,和CSS中的选择符一样,这将匹配任何元素节点
  @* ,匹配任何属性节点
  node() ,匹配任何类型的节点
  /root/* {选取根元素下面的所有子元素
  /root/node() {选取根元素下面的所有节点,包括文本节点
  //* {选取文档中所有元素
  //child[@] {选取所有具有属性的child元素
  //@ {选取所有的属性节点

使用lxml解析
导入库：from lxml import etree
lxml将html文本转成xml对象
tree = etree.HTML(html)
用户名称：tree.xpath(’//div[@class=“auth”]/a/text()’)
回复内容：tree.xpath(’//td[@class=“postbody”]’) 因为回复内容中有换行等标签，所以需要用string()来获取数据。
Xpath中text()，string()，data()的区别如下：
text()仅仅返回所指元素的文本内容。
string()函数会得到所指元素的所有节点文本内容，这些文本会被拼接成一个字符串。
data()大多数时候，data()函数和string()函数通用，而且不建议经常使用data()函数，该函数可能会影响XPath的性能。

爬取丁香园用户名和回复内容

bs

Beautiful Soup库的理解： Beautiful Soup库是解析、遍历、维护“标签树”的功能库，对应一个HTML/XML文档的全部内容

BeautifulSoup类的基本元素:
Tag 标签，最基本的信息组织单元，分别用<>和标明开头和结尾；
Name 标签的名字，

…

的名字是’p’，格式：.name;
Attributes 标签的属性，字典形式组织，格式：.attrs;
NavigableString 标签内非属性字符串，<>…中字符串，格式：.string;
Comment 标签内字符串的注释部分，一种特殊的Comment类型;

基于bs4库的HTML内容遍历方法
HTML基本格式:<>…构成了所属关系，形成了标签的树形结构
标签树的下行遍历
.contents 子节点的列表，将所有儿子节点存入列表
.children 子节点的迭代类型，与.contents类似，用于循环遍历儿子节点
.descendants 子孙节点的迭代类型，包含所有子孙节点，用于循环遍历
标签树的上行遍
.parent 节点的父亲标签
.parents 节点先辈标签的迭代类型，用于循环遍历先辈节点
标签树的平行遍历
.next_sibling 返回按照HTML文本顺序的下一个平行节点标签
.previous_sibling 返回按照HTML文本顺序的上一个平行节点标签
.next_siblings 迭代类型，返回按照HTML文本顺序的后续所有平行节点标签
.previous_siblings 迭代类型，返回按照HTML文本顺序的前续所有平行节点标签

常见的bs方法


用bs做一个中国大学排名的爬取，虽然这个排名没有什么意义还很功利
http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html


数据处理方面花了些时间才弄好，这方面还要加强
同时bs可以与正则和css相互配合
比如soup.find_all（xxx = re.compile(‘xxxx’,re.S)）以及soup.select(‘xxxx’)

re正则表达式

正则表达式在爬虫中通俗来讲是用一种语言在html中定位你所需要的内容

re很基础，各种资料都有，常用.*?非贪婪进行字符匹配，写一个爬取淘宝商品价格的例子。
登录淘宝，搜书包，第一页url为
https://s.taobao.com/search?q=书包&js=1&stats_click=search_radio_all%25
第二页为https://s.taobao.com/searchq=%E4%B9%A6%E5%8C%85&js=1&stats_click=search_radio_all%25&bcoffset=3&ntoffset=3&p4ppushleft=1%2C48&s=44
第三页为
https://s.taobao.com/searchq=%E4%B9%A6%E5%8C%85&js=1&stats_click=search_radio_all%25&bcoffset=0&ntoffset=6&p4ppushleft=1%2C48&s=88
第四页为
https://s.taobao.com/searchq=%E4%B9%A6%E5%8C%85&js=1&stats_click=search_radio_all%25&bcoffset=-3&ntoffset=-3&p4ppushleft=1%2C48&s=132
很简单有三个参数在变
循环翻页时改为https://s.taobao.com/searchq=%E4%B9%A6%E5%8C%85&js=1&stats_click=search_radio_all%25&bcoffset=（9-3i）&ntoffset=（9-3i）&p4ppushleft=1%2C48&s=44（i-1）

对于登录页面的爬虫，可以在获取登录的cookie之后把cookie放入请求头，cookie在哪呢，搜索js可以看到与url类似的一个链接有cookie，同时确定请求方式为get
初步获取html，很多

接着用re进行商品定位

然后可以写
price_list = re.findall(r’(.?)’, html)
name_list = re.findall(r’,“raw_title”:"(.?)",“pic_url”:’, html)

同时可以发现网页的html和get的不一样，需要按照get的html进行定位

先进行局部测试，爬取一页发现ok

然后设置解析与循环


根据不同页的url规律设置url，最后写打印函数，其中循环设置了一个伪指针count，进行商品序号的表示。